一种基于自适应神经网络约束控制的自动停车控制系统的制作方法

本发明涉及一种基于自适应神经网络约束控制的自动停车控制系统，属于智能汽车技术领域。

背景技术：

对于许多驾驶员而言，在城市密集区域停车是一种痛苦的经历。大城市停车空间有限，将汽车驶入狭小的空间已成为一项必备技能。很少有不费一番周折就停好车的情况，停车不顺利可能导致交通阻塞、驾驶员神经疲惫，或造成车辆保险杠被撞弯等情况发生。自动停车技术能够有效解决上述问题，使汽车安全且快速地停到指定区域。

自动停车技术在逐步成熟的过程。现有技术的自动停车系统，由于车轮转向角的饱和问题而造成的类似无法跟踪设定值的问题，这给快速停车造成了不必要的麻烦。

技术实现要素：

本发明的第一个目的是提供一种自动停车方法，所述方法以车轮转向角为对象，抗饱和补偿器、rbf观测器、pid控制器、动态约束模块对车辆的停车路径进行控制；所述rbf观测器对pid控制器和抗饱和补偿器输入信号，确保二者正常工作；所述pid控制器控制车轮转向角的实际值与预定值保持一致，所述抗饱和补偿器对pid控制器的角度控制进行修正，所述动态约束模块对车轮转向的角度和变化率进行约束。

在本发明的一种实施方式中，所述pid控制器基于rbf神经网络，其描述为：

其中netj表示rbf神经网络的第一层的输出，oij表示表示输入层第i个输入到第j个中间节点的权重值，xcj(k)为三个输入，分别对应e(k)-e(k-1)、e(k)、e(k)-2e(k-1)+e(k-2)，其中e(k)为φ^*(k)-φ(k-1)-ε(k)，φ^*(k)、φ(k)表示系统所需的车辆转向角和实际的转向角，ε(k)表示补偿信号，α0(k)为未经约束的k时刻的车辆转向角，α(k)为经受约束后的k时刻的车辆转向角，kj对应kp，ki，kd参数，ηb为参数学习速率。

在本发明的一种实施方式中，所述抗饱和补偿器的描述为：

其中，ε(k)即为k时刻的抗饱和补偿器信号，μ为小于1的正数，α(k-1)为k-1时刻的车辆转向角，α0(k)为未经约束的k时刻的车辆转向角，为由rbf神经网络得到的jacobian信息。

在本发明的一种实施方式中，所述动态约束模块的约束条件为：

其中，ts表示系统采样时间，分别表示车辆转向角的最小和最大变化率，αmin，αmax分别表示车辆转向角的最小和最大值。

在本发明的一种实施方式中，所述动态约束条件中，车身角的变化范围为-45～45°，车身角变化率范围为-20～20°/s。

在本发明的一种实施方式中，所述车辆的动力学模型为：

其中，u表示车速，lw表示车辆前后轴轴距。

在本发明的一种实施方式中，所述rbf观测器的描述如下：

令x＝[x1,x2,…xn]^t为神经网络的输入向量，g＝[g1,g2,…,gj,…gm]^t为rbf神经网络的径向基向量，gj的结构为：

其中fj＝[fj1,fj2,…,fji,…fjn]^t，i＝1,2,…n代表了节点j的中心向量。dj＝[d1,d2,…,dm]^t为神经网络的基宽向量，dj代表了j节点的基宽参数，为正数。定义神经网络的权重向量为s＝[s1,s2,…,sj…,sm]^t，得到识别网络的输出为：

具体迭代算法为：

dj(k)＝dj(k-1)+ηδdj(k)+κ(dj(k-1)-dj(k-2))

fji(k)＝fji(k-1)+ηδfji(k)+κ(fji(k-1)-fji(k-2))

jacobian信息的识别算法为：

本发明的第二个目的是提供一种自动停车控制系统，含有pid控制器、动态约束模块、抗饱和补偿器、rbf观测器和超声波传感器，通过有线和/或无线连接；所述超声波传感器设置于车辆上，向pid控制器传递车轮转向角信号；所述动态约束模块接收pid控制器输出的车轮转向角信号，并对其转向的幅度和变化率进行约束，将约束后的转向角信号输入至抗饱和补偿器；所述rbf观测器分别向抗饱和补偿器和pid控制器传输jacobian信息；

在本发明的一种实施方式中，所述的基于rbf神经网络的pid控制器，所述pid控制器基于rbf神经网络，其描述为：

其中netj表示rbf神经网络的第一层的输出，oij表示表示输入层第i个输入到第j个中间节点的权重值，xcj(k)为三个输入，分别对应e(k)-e(k-1)、e(k)、e(k)-2e(k-1)+e(k-2)，其中e(k)为φ^*(k)-φ(k-1)-ε(k)，φ^*(k)、φ(k)表示系统所需的车辆转向角和实际的转向角，ε(k)表示补偿信号，α0(k)为未经约束的k时刻的车辆转向角，α(k)为经受约束后的k时刻的车辆转向角，kj对应kp，ki，kd参数，ηb为参数学习速率。

在本发明的一种实施方式中，所述的动态约束模块的输出为经约束后的车辆转向角，用于限制车轮转向的幅值和变化率，确保车辆在转向行驶时，符合实际的车辆转向情况，保证安全，在本发明的一种实施方式中，所述动态约束模块的约束条件为：

其中，ts表示系统采样时间，分别表示车辆转向角的最小和最大变化率，αmin，αmax分别表示车辆转向角的最小和最大值。

在本发明的一种实施方式中，所述车身角的变化范围为-45～45°，车身角变化率范围为-20～20°/s。

在本发明的一种实施方式中，所述的抗饱和补偿器，其输出为动态的补偿信号，用以补偿因动态约束模块存在而造成的输出不跟随或跟随过于缓慢的情况。

在本发明的一种实施方式中，所述车辆的输出为车辆的车身角，其作用是给基于rbf神经网络的观测器，用以得到系统所必须的jacobian信息。

在本发明的一种实施方式中，所述jacobian信息是车辆车身角对于车轮转向角的偏导数。

本发明的第三个目的是提供应用所述自动停车方法的车辆。

本发明还提供所述自动停车方法在智能汽车领域的应用。

有益效果：本发明提出的一种基于自适应神经网络约束控制的自动停车控制系统，首先利用基于rbf神经网络的观测器技术实现了jacobian信息的估计，基于此设计了基于rbf神经网络的pid控制器，在这一控制器的基础上添加了输入约束条件，并加入了抗饱和补偿器来应对饱和现象出现的问题，使整个控制系统更加符合实际情况，增强了系统的可靠性。减少了客户寻找车位并停车的麻烦，提高了时间的利用率。

附图说明

图1为本发明所提出的自动停车控制系统设计框图；

图2为本发明的自动泊车路径规划原理图；

图3为本发明的一种实施方式下的路径给定图；

图4为本发明的一种实施方式下的pid参数估计值示意图；

图5为本发明的一种实施方式下的rbf观测器权值估计值示意图；

图6为本发明的一种实施方式下的jacobian信息与补偿器信号的估计值示意图；

图7为本发明在两种实施方式下的输出响应比较示意图；pidnn为本发明的pid控制器控制下的输出；pid为传统的pid控制器控制下的输出；

图8为本发明在两种实施方式下的转向角比较示意图pidnn为本发明的pid控制器控制下的输出；pid为传统的pid控制器控制下的输出。

具体实施方式

实施例1

本发明的一种基于自适应神经网络约束控制的自动停车控制系统以车辆转向角为对象，结合抗饱和补偿器对基于rbf神经网络的pid控制器的角度控制方法进行修正，设计框图如图1所示。

该自动停车控制系统主要包括：路径规划模块，基于rbf神经网络的pid控制器、动态约束模块、抗饱和补偿器、整车动力学模型和基于rbf神经网络的观测器。rbf观测器输出jacobian信息至pid控制器和抗饱和补偿器；所述pid控制器计算获得车轮转向角的实际值，所述抗饱和补偿器的输入为经受约束的车轮转向角和未经约束的车轮转向角之差，通过抗饱和补偿器的处理，对pid控制器输出的角度进行修正；所述动态约束模块对车轮转向的角度和变化率进行约束，并输出约束后的车轮转向角，再将该信号传递至车辆，获得实际的车身角。

通过仿真实验的方法按如下步骤进行操作：

步骤一：利用超声波传感器测定距离：

如图2所示，其中lv为汽车长度，lw为前后轴长度，wv为整车宽度，ls为泊车长度，δd为两车之间的安全距离，d为车身中线与路边车辆的距离。车辆前行由超声波传感器探测到有车位时，车辆已到达q3位置处，将车辆的停车路径分为四个路段，1)车辆以直线形式后退过程(即图2中直线段q3q2部分)；2)车辆右转向过程(即图2中曲线段q2q1部分)；3)车辆回转向至转向角为0，直线后退过程(即图2中直线段q1q0部分)；4)车辆左转向后退至车辆车身角为0的过程(即图2中曲线段q0o部分)。

步骤二，基于rbf神经网络的pid控制器的设计。

典型的pid控制器设计如式(1)所示：

α0(k)＝α(k-1)+kp(e(k)-e(k-1))+kie(k)+kd(e(k)-2e(k-1)+e(k-2))(1)

其中α(k-1)为k-1时刻的车辆转向角，α0(k)为未经约束的k时刻的车辆转向角，e(k)为φ^*(k)-φ(k-1)-ε(k)，为系统误差，φ^*(k)、φ(k)表示系统所需的车辆转向角和实际的转向角，ε(k)表示补偿信号，kp，ki，kd分别为比例积分微分增益。

对于基于rbf神经网络的pid控制器而言，定义三个中间节点，且定义神经网络第一层的输出如式(2)所示：

其中oij表示输入层第i个输入到第j个中间节点的权重值，其通过迭代规则进行更替，在本仿真实例中oij的初值为：

xcj(k)为三个输入，在本仿真实例中分别对应e(k)-e(k-1)、e(k)和e(k)-2e(k-1)+e(k-2)。定义pid控制器的输出如式(3)所示：

kj对应kp，ki，kd参数，其也是通过迭代规则进行更替，在本仿真实例中初始值设为[25，0.7，0.3]^t，y(netj)定义为：

因此可以得到上式的导数为：

kj(k+1)与oij(k+1)的迭代规则如下：

其中ηb为参数学习速率，在本仿真实例中设置为[-0.1，-0.08，-0.15]^t。oij的初值为：

步骤三，建立动态约束条件，用以得到符合实际的车辆转向角。

动态约束条件可以描述为：

其中，ts表示系统采样时间，在本仿真实例中设为0.02s，sat(·)函数定义为：

步骤四，整车动力学模型建立以得到车身角。

车辆模型可以描述为：

其中u表示车速，lw表示车辆前后轴轴距。

步骤五，基于rbf神经网络的观测器的设计

令x＝[x1,x2,…xn]^t为神经网络的输入向量，选取rbf神经网络的径向基向量为g＝[g1,g2,…,gj,…gm]^t，其中gj为高斯函数，其结构为：

其中fj＝[fj1,fj2,…,fji,…fjn]^t，i＝1,2,…n代表了节点j的中心向量。在仿真实例中fj的初值为

定义神经网络的基宽向量为dj＝[d1,d2,…,dm]^t，dj代表了j节点的基宽参数，为正数,在本仿真实例中dj(0)的初值为dj(0)＝[7.157.157.157.157.157.15]^t。定义神经网络的权重向量为s＝[s1,s2,…,sj…,sm]^t，在本仿真实例中s(0)的初值为s(0)＝[0.010.010.010.010.010.01]^t，于是可以得到识别网络的输出为：

而输出权重向量、节点基宽向量和中间节点基向量的迭代算法可通过梯度下降法来得到，具体迭代算法如下：

dj(k)＝dj(k-1)+ηδdj(k)+κ(dj(k-1)-dj(k-2))(14)

fji(k)＝fji(k-1)+ηδfji(k)+κ(fji(k-1)-fji(k-2))(16)

通过(10)式和(11)式，可以得到控制系统jacobian信息的识别算法为：

步骤六，抗饱和补偿器的设计，设计的抗饱和补偿器描述为：

其中，ε(k)即为k时刻的补偿器信号，μ为小于1的正数，即为由观测器得到的jacobian信息。

采用未经修饰的pid控制器进行自动停车，车辆的响应图如图7-8所示，实线为本发明的方法获得的仿真跟踪曲线，虚线为采用现有的未经修饰的pid控制器获得的的仿真跟踪曲线，经与未经修饰的pid控制器进行比较，发现本发明所提出的自动停车控制系统跟踪更快，表现出了更好的性能。仿真结果表明所提出的方法是有效的。

虽然本发明已以较佳实施例公开如上，但其并非用以限定本发明，任何熟悉此技术的人，在不脱离本发明的精神和范围内，都可做各种的改动与修饰，因此本发明的保护范围应该以权利要求书所界定的为准。